Tema 3

Control estadı́stico de calidad

3.1Introducción. ¿Qué es el control estadı́stico de la calidad?

3.2Introducción a los gráficos de control.

3.3Gráficos de control para variables.

3.4Gráficos de control de atributos.

3.5Gráficos de control de suma acumulada.

Este tema está basado en el capı́tulo 15 del libro de Montgomery de la bibliografı́a (repro-
grafı́a), donde los conceptos IMPORTANTES aparecen remarcados (subrayados).

3.1. Introducción. ¿Qué es el control estadı́stico de la calidad?

Este apartado se corresponde con los puntos 15.1, 15.2, 15.3 y 15.11 ( Íen prácticas se
repasará el diagrama Pareto). Sólo añadir que aunque nosotros solamente trataremos el control
estadı́stico de procesos, el control de calidad se clasifica en:

a) Control en curso de fabricación (de procesos).

b) Control de recepción y de producto acabado.

El control en curso de fabricación se realiza durante la fabricación del producto, a intervalos

fijos de tiempo, y tiene por objeto vigilar el funcionamiento del sistema y recoger información
para mejorarlo. El control de recepción y de producto acabado trata de encontrar una buena
manera para decidir si un producto verifica las especificaciones establecidas.

i Control de recepción: un campo donde el muestreo juega un papel fundamental es

en el control de recepción que trata de comprobar que los productos cumplan las especificaciones
de calidad.
El más empleado es el control de recepción por atributos, en el que se inspeccionan por
muestreo las unidades de un lote. Se seleccionan artı́culos de cada lote y se toma una decisión
con base a dicha muestra respecto a si se acepta o se rechaza el lote, según el número de unidades
defectuosas que contenga.

73
74 Tema 3. Control estadı́stico de calidad

Para resolver esta cuestión podemos emplear los llamados planes de muestreo. Éstos podemos
clasificarlos en:

a) Planes de aceptación/rechazo: los más conocidos son:

las normas japonesas JIS Z 9002

las normas norteaméricanas Milatary Standard MIL- STD- 105D; UNE 66020

Éste último tiene en cuenta el tipo de inspección, ası́ como el rigor de inspección.
Los muestreos pueden ser simples, dobles, múltiples y (en su caso extremo) secuencial (un
muestreo es secuencial cuando después de cada observación se toma una de las siguientes deci-
siones: aceptar el lote, rechazarlo o seguir con el muestreo).

b) Planes de control rectificativo: los lotes rechazados se inspeccionan al 100 % sustituyendo

los elementos defectuosos. Los más usados son los de Dodge-Romig.

Las tablas de estos planes y una explicación más detallada sobre muestreo podéis encontrarlos
por ejemplo en Johnson, Peña (vol. I) y sobre todo en cualquier libro sobre Control de Calidad.

3.2. Introducción a los gráficos de control.

Este apartado se corresponde con el punto 15.4. En el punto 15.4.1. se recogen los principios
básicos:

En todo proceso aparece una cierta variabilidad en la calidad, debida a causas aleatorias o no
asignables: variabilidad de la materia prima, la precisión de las máquinas y de los instrumentos
de medida, destreza de los operarios, etc.

Otras causas no aleatorias o asignables (materias primas defectuosas, desgaste de herramien-

tas, deficiente preparación del operario, etc.) producen ciertos efectos previsibles y definidos.
Son pocas y de aparición irregular, pero con grandes efectos. Son eliminables. Diremos que un
proceso está en estado de control cuando no le afecta ninguna causa asignable. Un instrumento
para determinar si se da o no esta situación son las gráficas de control.

El gráfico de control es una técnica de vigilancia en lı́nea que puede ser utilizada para:
1. La detección rápida de causas asignables.

2. Estimar los parámetros del proceso de producción.

3. Obtención de información para la mejora del proceso, por ejemplo, reduciendo la variabil-
idad.
Ejemplo 3.1.: Una empresa de helados se dedica en una de sus plantas a la fabricación
de helados de chocolate. El helado se vende en tarrinas de 1.5dl, a las que se controla su peso.
A intervalos de tiempo de 10 minutos, se extraen cuatro tarrinas durante la producción y se
considera su peso medio.

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

3.2. Introducción a los gráficos de control. 75

Véase el gráfico de control en el anexo de gráficos.

Un gráfico de control es una representación de una cantidad (media, rango, proporción,

número de defectos, ...) en función del tiempo o número de muestra con unos lı́mites de control.
Falta todavı́a por determinar: ¿qué lı́mites de control son los adecuados? y ¿cuándo un proceso
está bajo control?

Si un punto se localiza fuera de los lı́mites de control o aun encontrándose entre los lı́mites de
control, si se comportan de manera sistemática o no aleatoria, entonces también es un indicador
de que el proceso está fuera de control. Existe una relación entre los gráficos de control y el
contraste de hipótesis, estudiado en el tema anterior ´:
1. En cada punto del gráfico estamos contrastando la hipótesis de que el proceso se encuentra
en estado de control estadı́stico.

2. Tenemos la probabilidad de error tipo I (concluir que el proceso está fuera de control cuando
no lo está) y la probabilidad del error tipo II (concluir que el proceso está bajo control
cuando no lo está).
Un modelo general de gráfico de control serı́a como sigue: sea W el estadı́stico muestral que
mide la caracterı́stica de calidad en la que se tiene interés. Las lı́neas central, inferior y superior
vienen dadas por

LSC = µW + kσW ,
LC = µW ,
LIC = µW − kσW ,

donde

µW = media de W ,
σW = desviación tı́pica de W

y k es la ”distancia” de la lı́nea central a los lı́mites de control, siendo k = 3 una elección bastante
común. Estamos suponiendo que tanto la media, µW , como la desviación tı́pica de W son cono-
cidas. Obviamente habitualmente esto no es ası́. Los parámetros son tı́picamente desconocidos
y los habremos de estimar a partir de la muestra. La idea de utilizar estos gráficos se debe a
Walter A. Shewhart y se habla del gráfico de control de Shewhart.

A continuación, clasificaremos los gráficos de control en dos tipos generales.

1. Gráficos de control de variables en donde la caracterı́stica de calidad es una variable con-
tinua. A su vez tendremos gráficos de control para la tendencia central (gráfico x̄) y para
la variabilidad (gráficos para la desviación tı́pica y para el rango).

2. Gráficos de control de atributos: corresponden a aquellas situaciones en que la caracterı́stica

de calidad no puede ser medida en una escala continua o tan siquiera cuantitativamente.
Podemos decidir si la unidad observada es conforme o no sobre la base de verificar o no
unos ciertos atributos. O bien, podemos contar el número de defectos que aparece en una
unidad de producto.

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

76 Tema 3. Control estadı́stico de calidad

En otras palabras, lo anterior se resumirı́a en los siguiente: el fundamento teórico de una gráfi-
ca de control se basa en la construcción, a partir de los valores de la esperanza µ y la desviación
tı́pica σ del modelo teórico de distribución que sigue la caracterı́stica de calidad, de un intervalo
de control (generalmente [µ - 3σ , µ + 3σ]). Dentro de este intervalo están casi todos los valores
muestrales del proceso, si éste se encuentra bajo control. Las muestras se obtienen a intervalos
regulares de tiempo. Un punto que cae fuera de los lı́mites de control, indicarı́a que el proceso
está fuera de control.

El control de calidad se realiza observando en cada elemento:

1) Una caracterı́stica de calidad medible (longitud, resistencia, contenido de impurezas, etc.)

que se compara con un estándar fijado. Es el control por variables (gráficas X̄, R). La carac-
terı́stica se supone distribuida normalmente.

2) Control por atributos:

2.a: Un atributo o caracterı́stica cualitativa que el producto posee o no (correcto o defectuoso,

por ejemplo). (Gráficas p y np). La caracterı́stica se supone distribuida según una Binomial.

2.b: El número total de defectos. (Gráficas u y c). La caracterı́stica se supone distribuida

según una Poisson.

En el punto 15.4.2. se muestra un ejemplo sobre el diseño de una gráfica de control. Nosotros
usaremos el siguiente ejemplo:

Ejemplo 3.2.:[Fabricación de azulejos] Observamos X el grosor de los azulejos y vamos a

suponer inicialmente que X ∼ N (µ = 4,39mm, σ = 0,025mm). Tomamos cada dı́a una muestra
de n = 4 azulejos (elegidos a distintas horas del dı́a) y calculamos el grosor medio de la muestra.
La caracterı́stica que controlamos es
n
1X
W = Xi
n
i=1

con n = 4 de modo que

σ
W ∼ N (µW = µ, σW = √ ),
n
o sea,
00 025
W ∼ N (40 39, √ ),
4
Los lı́mites de control (k=3) 3 − σ vienen dados por

LSC = µW + kσW = 4,4275

LIC = µW − kσW = 4,3525

Véase el gráfico de control de la media en el anexo de gráficos.

El punto 15.4.3 trata el concepto de subgrupos racionales. En el punto 15.4.4. se proporcionan

las reglas Western Electric como un procedimiento empı́rico para analizar patrones en graficos

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

3.3. Gráficos de control para variables. 77

de control y detectar una condición fuera de control. Según estas reglas un proceso está fuera de
control cuando:

1. Un punto cae fuera de los lı́mites de control 3-sigma.

2. Dos de tres puntos consecutivos caen fuera de los lı́mites 2-sigma.

3. Cuatro de cinco puntos consecutivos están fuera de los lı́mites 1-sigma.

4. Entendemos que en las dos reglas anteriores los puntos que caen fuera de los lı́mites de
control están en el mismo lado, esto es, o son todos mayores que el lı́mite superior corre-
spondiente o menor que el lı́mite inferior.

5. Ocho puntos consecutivos de la gráfica están en el mismo lado de la lı́nea central.

Posteriormente, se volverá a insistir en este punto.

3.3. Gráficos de control para variables.

El punto 15.5. explica las gráficas de control para variables, en este apartado será necesario
disponer de la tabla que se encuentran en reprografı́a para poder calcularlas.

Los gráficos de control X̄ y R (para caracterı́sticas de calidad continuas), para los que los
valores superior e inferior del gráfico de control X̄ son:

¯ + A2 r̄
LSC = x̄
¯
LC = x̄
¯ − A2 r̄
LIC = x̄

¯= m 1 Pm
donde x̄ i=1 X̄i (X̄i es la media muestral de la muestra i-ésima, calculada con los n valores
1 Pm
de cada muestra y m es el número total de muestras), r̄ = m i=1 i (donde Ri es el rango de
R
la muestra i-ésima) y la constante A2 aparece tabulada.
Por otro lado, la lı́nea central y los lı́mites de control superior e inferior de un gráfico R son:

LSC = D4 r̄
LC = r̄
LIC = D3 r̄.

Los valores de D3 y D4 para distintos valores de n aparecen tabulados. Un estimador de σ es σ̂

= R̄ /d2 , donde d2 está tabulada.

Se ilustrará la construcción de estos gráficos mediante un ejemplo, en el que se mostrará tam-

bién la construcción de los gráficos cuando utilizamos muestras preliminares (cálculo de los
lı́mites, determinación de las causas asignables si el proceso no ha estado bajo control y recon-
strucción del gráfico una vez eliminadas las anomalı́as):

b Ejemplo 3.3.: [Red de computadoras] Para comprobar la adecuación de una red de

computadoras, se ejecutan programas estándar benchmark periódicamente sobre la red. En cada

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

78 Tema 3. Control estadı́stico de calidad

test, se seleccionan aleatoriamente tres de estos programas de una colección que poseen esen-
cialmente el mismo tipo de instrucciones y llamadas Entrada/Salida. Se toman 20 muestras,
calculándose el tiempo medio y rango.
Los datos de las medias y rangos son los siguientes:
3,22 0,88
4 0,72
3,38 0,68
3,02 0,5
3,23 0,64
3,66 0,37
3,9 0,75
2,98 0,45
3,44 0,64
3,32 1,33
5,02 1,21
2,98 0,39
3,66 0,64
3,88 0,8
3,02 0,62
4,1 0,58
3,22 0,45
3,25 0,69
3,87 0,73
3,5 0,6

Los gráficos de X̄ y R que se obtienen con esos datos están en el anexo, junto con los gráficos
recalculados tras eliminar el punto 11. Estima también la media y desviación tı́pica, una vez que
el proceso estuviera bajo control.

Pautas para interpretar gráficos de control X̄ y R:

a) Puntos fuera de control en X̄; R en control: indica un cambio en la media

b) Puntos fuera de control en X̄ y en R: indica un cambio en la variabilidad.

c) Rachas: 7 puntos consecutivos por encima o debajo de la media. Puede indicar (si R
está bajo control) cambios en la media (por cambios en la materia prima, el servicio de manten-
imiento, etc.)

d) Tendencias: 6 puntos seguidos en sentido creciente o decreciente. Indica la presencia de

algún factor que influye gradualmente en el proceso: desgaste de la maquinaria, cambios de tem-
peratura, fatiga (en la gráfica X̄); envejecimiento de la maquinaria, mezclas (en R en sentido
ascendente); mejora de los operarios o del manteniento (en R en sentido descendente).

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

3.3. Gráficos de control para variables. 79

e) Periodicidades o ciclos: repetición de agrupamientos (sucesión de picos y valles). Indican

la presencia de efectos periódicos: temperatura, oscilaciones de corriente (en X̄); turnos, acciones
de mantenimiento (en R).

f) Inestabilidad: grandes fluctuaciones. Puede indicar un sobreajuste de la máquina, mezcla

de materiales, falta de entrenamiento del operario de la máquina.

g) Sobreestabilidad: la variabilidad de las muestras es menor que la esperada (acumulación

de puntos en la zona central). Puede que los lı́mites estén mal calculados, que se hayan tomado
incorrectamente los datos o que se haya producido un cambio positivo temporal cuya causa debe
investigarse.

i Si en lugar de valores pequeños para n, se usan valores mayores que 10 o 12, la estimación
de la desviación tı́pica basándonos en el rango es poco eficaz, ası́ que se utilizarán los gráficos X̄
y S, cuyos lı́mites pueden calcularse y serı́an para el gráfico X̄:

¯ + A3 S̄
LSC = x̄
¯,
LC = x̄
¯ − A3 S̄
LIC = x̄

con A3 tabulada y
m
1 X
S̄ = Si ,
m
i=1

siendo Si la desviación tı́pica de la muestra i-ésima. Los lı́mites para el gráfico S serı́an:

LSC = B4 S̄,
LC = S̄,
LIC = B3 S̄,

nuevamente B4 y B3 se encuentran tabuladas.

Í El punto 15.6 sólo se tratará en prácticas: se presentarán los gráficos de control para
mediciones individuales, pues en ocasiones el tamaño muestral es n =1, como en las siguientes:

1. Se utiliza tecnologı́a de medición e inspección automatizada, con lo que se analiza cada

unidad producida.

2. El ritmo de producción es lento, y resulta inconveniente permitir que muestras de tamaño

n > 1 se acumulen antes de ser analizadas.

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

80 Tema 3. Control estadı́stico de calidad

3. Las mediciones repetidas de un proceso difieren sólo debido a errores en el laboratorio o a

errores en el análisis, como sucede en muchos procesos quı́micos.
Debido a la dificultad de interpretación del gráfico de rangos móviles por estar correlaciona-
dos y la menor sensibilidad del gráfico de mediciones individuales para la detección de pequeños
desplazamientos de la media, se verán en este mismo tema (en prácticas Í) otra alternativa
como es el gráfico de suma acumulada.

En el punto 15.7 se plantea la problemática de que el funcionamiento de un proceso en estado

de control, no garantiza que sea capaz de producir un resultado suficientemente correcto para
cumplir los estándares o especificaciones de calidad que se le exijan.

Se introducirán dos ı́ndices para comprobar la capacidad de un proceso:

LSE − LIE
ICP = ,
6σ
donde LSE y LIE son los lı́mites superior e inferior de especificación.
Se mostrará la interpretación del ICP: (1/ICP)100 es el porcentaje del ancho de las especifi-
caciones utilizadas por el proceso, por ello:
(a) ICP > 1: pocas unidades defectuosas.
(b) ICP = 1: 0.27 % de unidades defectuosas.
(c) ICP < 1: muchas unidades defectuosas.
La definición de ICP asume que el proceso está centrado en la dimensión nominal. Es razonable
considerar ICP como una medida de la capacidad potencial (si estuviera centrado entonces sı́ que
medirı́a su capacidad). Por ello, se define ICPk como un indicador más robusto frente a la no
centralidad del proceso:
LSE − µ µ − LIE
ICPk = mı́n{ , }.
3σ 3σ
En muchas compañı́as se suele utilizar: ICP=1.33 de un modo genérico y ICP=1.66 si la car-
acterı́stica de calidad se refiere a resistencia, seguridad u otras caracterı́sticas crı́ticas. También
se utiliza ICPk = 2 que recibe el nombre de proceso 6-sigma ya que la distancia entre la media
y la especificación más cercana es de seis desviaciones estándar.

b Ejemplo 3.2.: Para este ejemplo, supondremos que las especificaciones son 4.4 ± 0.05
mm. Calcula los dos ı́ndices anteriores, y también la probabilidad de producir unidades por enci-
ma, por debajo de las especificaciones, y en definitiva defectuosas.

Otro concepto interesante que se encuentra en el punto 15.9, es el de la longitud de corrida

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

3.4. Gráficos de control de atributos. 81

promedio (ARL, average run length) que nos proporcionará el número medio de puntos que deben
representarse antes que cualquier punto exceda los lı́mites de control. Si p es la probabilidad de
que cualquier punto exceda los lı́mites de control, entonces ARL = 1/p.

b Ejemplo 3.2.: ¿Cuál es la ARL, para el gráfico X̄ con lı́mites 3-sigma?

b Ejemplo 3.2.: Supongamos que el proceso se sale de control y la media se corre a 4.37.
¿Cuál es la probabilidad de que el desplazamiento se detecte en la primera muestra después del
corrimiento? ¿Cuál es la ARL después del corrimiento?

3.4. Gráficos de control de atributos.

En el punto 15.8.1. se trata la gráfica P . Es un gráfico de control para la fracción de artı́culos
defectuosos o que no cumplen con las especificaciones, que se basa en la distribución binomial.
Sus lı́mites pueden calcularse como:

r
p̄(1 − p̄)
LSC = p̄ + 3
n
LC = p̄
r
p̄(1 − p̄)
LIC = p̄ − 3 ,
n
donde p̄ es el estimador de p (fracción defectuosa del proceso), obtenido mediante:
m
1 X
p̄ = p̂i
m
i=1

con p̂i la proporción muestral de unidades defectuosas en la muestra i-ésima.

Estos lı́mites se han basado en la aproximación normal de la binomial, que podrı́a no ser
adecuada si p es pequeño. Si el número de muestras tomadas cada vez no es el mismo, los lı́mites
se calcuları́an análogamente, produciendo lı́mites no constantes de muestra a muestra.

b Ejemplo 3.4.: [Fusibles defectuosos] Un fabricante de fusibles para terminales de com-

putadora quiere vigilar el proceso de producción, contruyendo una gráfica P . Para ello, cada hora

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

82 Tema 3. Control estadı́stico de calidad

durante un periodo de 25 horas, selecciona al azar 100 fusibles de la lı́nea de producción y los
prueba, obteniendo el número de fusibles defectuosos. Los datos fueron (fusibles defectuosos de
los 100, tomados cada hora):6 4 9 3 0 6 4 2 1 2 6 3 4 5 5 4 1 3 0 3 7 9 2 11 3. Calcula los lı́mites
de la gráfica de control P con estos datos. Determina si el proceso está bajo control. De no ser
ası́, supongamos que pueden encontrarse las causas asignables y que los puntos fuera de control
pueden eliminarse, tras lo cual, revisa los lı́mites de control. (En el anexo de las gráficas, puedes
encontrar estos gráficos).

Cuando un punto muestral caiga fuera de los lı́mites de control, las posibles opciones son:

a) El proceso ha variado, aumentando o disminuyendo (según el sentido del valor extremo)

el valor de p.

b) El sistema de medición ha cambiado (el inspector o los criterios de medida).

c) Se ha cometido un error al estimar el valor de p en dicha muestra.

d) El proceso no ha variado, pero los lı́mites de control son erróneos.

e) Nada ha cambiado, simplemente un suceso poco frecuente ha ocurrido.

De igual forma, es posible controlar el número de unidades defectuosas en una muestra, para
lo cual usarı́amos las gráficas N P , con lı́mites (n es el tamaño muestral de cada muestra):

p
LSC = np̄ + 3 np̄(1 − p̄)
LC = np̄
p
LIC = np̄ − 3 np̄(1 − p̄)

En el punto 15.8.2. se considera el gráfico U . Cuando lo que interesa es controlar el número

de defectos que aparecen en un individuo más que el número de individuos defectuosos, utilizare-
mos estos gráficos. Por ejemplo, supongamos que revisamos un monitor TFT, concretamente el
número de pı́xeles en mal estado. Si el número de pı́xeles no es muy grande el producto puede
prestar su servicio con una buena calidad. Obviamente, un número excesivo de pı́xeles que no
funcionan adecuadamente será algo desagradable para el usuario y finalmente repercutirá en la
venta del mismo.

Seguidamente, se presentará el gráfico U , gráfico de control de defectos por unidad. Utilizamos

el promedio de defectos por unidad en la muestra. Si tenemos n (que puede no ser un entero)

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

3.4. Gráficos de control de atributos. 83

unidades y un total de defectos C entonces

C
U= ,
n
es el promedio de defectos por unidad. Con m muestras preliminares y valores aleatorios U 1 , . . . , Um
entonces el número medio de defectos por unidad es
m
1 X
Ū = Ui .
m
i=1

El gráfico de control U es el siguiente (también nos basamos en la aproximación normal de la

distribución de Poisson):
r
ū
LSC = ū + 3
n
LC = ū r
ū
LIC = ū − 3
n

Este gráfico, a diferencia del gráfico C (que se verá seguidamente), se puede utilizar en aque-
llos casos en que no se puede tomar una unidad del mismo tamaño para controlar el número de
defectos, pudiendo obtener lı́mites no constantes.

b Ejemplo 3.5.: [Número de defectos en cubiertas para PCs] Unas cubiertas para com-
putadoras personales se fabrican por moldeo por inyección. Se toman periódicamente muestras
de cinco cubiertas del proceso y se registra el número de defectos. Los datos obtenidos para 25
muestras fueron: 3 2 0 1 4 3 2 4 1 0 2 3 2 8 0 2 4 3 5 0 2 1 9 3 2. Calcula los lı́mites de la gráfica de
control U con estos datos. Determina si el proceso está bajo control. De no ser ası́, supongamos
que pueden encontrarse las causas asignables y que los puntos fuera de control pueden eliminarse,
tras lo cual, revisa los lı́mites de control. (En el anexo de las gráficas, puedes encontrar estos
gráficos).

Con el gráfico C controlamos el número de defectos en una muestra de tamaño n. Se toma

como distribución de referencia la distribución de Poisson. Los lı́mites de este gráfico serı́an:

√
LSC = c̄ + 3 c̄
LC = c̄
√
LIC = c̄ − 3 c̄

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

84 Tema 3. Control estadı́stico de calidad

donde c̄ serı́a el estimador de λ, el parámetro de la distribución de Poisson, obtenido mediante:

m
1 X
C̄ = Ci .
m
i=1

siendo Ci el número de defectos de la muestra i-ésima.

3.5. Gráficos de control de suma acumulada.

Este punto se verá en prácticasÍ y se encuentra en el punto 15.10.
Para finalizar el tema, se presentarán los gráficos de control de suma acumulada (CUMSUM),
que al igual que los anteriores pueden aplicarse en áreas diversas como control de procesos
industriales, administración, ciencias médicas, marketing, comercio, biologı́a, etc.
Estos gráficos surgieron como alternativa a los gráficos Shewart, que son poco sensibles a
pequeños corrimientos de la media (del orden de 1.5 σ o inferiores). Esto se deberı́a a que sólo
utilizan información del último punto. No consideran toda la secuencia. Alternativas como las
reglas de la Western Electric tienen inconvenientes: (i) se complica la interpretación del gráfico;
(ii) la longitud de corrida promedio bajo control se reduce por debajo de 370. Este incremento
de las falsas alarmas puede tener consecuencias serias en la práctica.
Usaremos los gráficos de la suma acumulada para promedios muestrales y mediciones indi-
viduales (para las que son particularmente eficaces), aunque también se puden plantear para el
número de defectos, desviaciones estándar ... Supongamos que µ0 es el objetivo para la media
del proceso y X̄j es la j-ésima media muestral, entonces el gráfico de control de suma acumulada
consiste en representar las sumas dadas por la siguiente ecuación
i
X
Si = (X̄j − µ0 ),
j=1

con i = 1, . . . , m. Notemos que las sumas Si combinan información de distintas muestras. El

punto básico a tener en cuenta es que si el proceso está bajo control alrededor de µ 0 , los distintos
Si han de fluctuar alrededor de cero. Si la media se desplaza a µ1 mayor que µ0 entonces los Si
tenderán a tomar valores positivos y cada vez mayores. Si la media se desplaza a µ 1 menor que
µ0 entonces los Si tenderán a tomar valores negativos y cada vez menores. En consecuencia, la
observación de una tendencia en el gráfico es un indicativo de que ha habido una modificación
de la media y la búsqueda de alguna causa asignable debiera hacerse.
Este gráfico no es una gráfica de control, ya que no tiene lı́mites de control. Dos son los
enfoques que se usan para determinar los ”lı́mites de control”: el procedimiento de la máscara
V y el CUMSUM tabular, en el que se definen una CUMSUM de cola superior e inferior, que
acumulan las desviaciones del valor objetivo mayores que cierta cantidad. El proceso estarı́a fuera
de control si exceden cierta constante.

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

Problemas del tema 3
P
1. En unaPfabricación de resistores se toman 20 muestras de tamaño 4, obteniendo x̄i =
8620, Ri = 910, siendo x̄i y Ri la media y rango de cada muestra. Se pide:

a) Encuentra los lı́mites de control de los gráficos X̄ y R.

b) Suponiendo que el proceso está bajo control, estima la media y desviación tı́pica del
proceso.
c) Si los lı́mites de tolerancia son 430 ± 30, calcula e interpreta ICP e ICP k .
d) Además, determina el porcentaje de elementos defectuosos en la fabricación.

(Sol. : media: 431 ± 33.17 y rango: (0,103.8); media: 431, desviación tı́pica: 22.1; ICP =
0.45, ICPk = 0.437, proceso no centrado y proceso no apto; 17.59 %)

2. Los datos siguientes representan el número de defectos de soldadura observados en 24

muestras de cinco tarjetas de circuitos impresos: 7 6 8 10 24 6 5 4 8 11 15 8 4 16 11 12 8 6
5 9 7 14 8 21.

a) Utilizando todos los datos, calcula los lı́mites de control para una gráfica U.
b) ¿Puede concluirse que el proceso está bajo control? De no ser ası́, supón que pueden
encontrarse las causas asignables, y recalcula los lı́mites de control una vez eliminados
los puntos fuera de control.

(Sol. : LCS= 3.811 LC=1.94167 LCI= 0.072; hay dos puntos fuera de control, LCS= 3.463
LC=1.709 LCI= 0)

3. Se usa una matriz de extrusión para producir varillas de aluminio. El diámetro de las
varillas es una caracterı́stica crı́tica de la calidad. Se toman 19 muestras de cinco varillas
cada una. Las especificaciones de las varillas son 35 ± 9, y los datos obtenidos fueron:
19
X 19
X
x̄i = 647,8, y ri = 109.
i=1 i=1

a) Usando dichos datos, calcula los lı́mites de control de prueba de los gráficos X̄ y R.
b) Suponiendo que el proceso está bajo control, estima la media y desviación tı́pica del
proceso.
c) ¿Cuál es el porcentaje de unidades defectuosas que se está produciendo en este pro-
ceso?

85
86 Tema 3. Control estadı́stico de calidad

d) Calcula el ICP y el ICPk , e interprétalos.

e) Supongamos que la media se corre a 38. ¿Cuál es la probabilidad de que el desplaza-
miento se detecte en la primera muestra después del corrimiento?
f) ¿Cuál es la ARL después del corrimiento?

(Sol. : media : LCS= 37.4 LC=34.0947 LCI= 30.78, rango: LCS= 12.13 LC=5.737 LCI=
0; 34.0947 y 2.466 respectivamente; 0.05 %; 1.22 y 1.1 proceso no centrado y tampoco
llegarı́a a 1.33, su capacidad no serı́a alta;0.7088; 1.41)

4. Se monitorea la longitud total del cuerpo de un encendedor de cigarrillos usado en una

aplicación automotriz utilizando los gráficos X̄ y R. Se toman 20 muestras de tamaño 4,
obteniéndose:

20
X 20
X
x̄i = 214,25, y ri = 135.
i=1 i=1

a) Usando dichos datos, calcula los lı́mites de control de prueba de los gráficos X̄ y R.
b) Suponiendo que el proceso está bajo control, estima la media y desviación tı́pica del
proceso.
c) Si las especificaciones son 10 ± 5, ¿cuál es el porcentaje de unidades defectuosas que
se está produciendo en este proceso?
d) Calcula el ICP e interprétalo.
e) Supongamos que la media se corre a 14.5. ¿Cuál es la probabilidad de que el desplaza-
miento se detecte en la primera muestra después del corrimiento?
f) ¿Cuál es la ARL después del corrimiento?

(Sol. : media : LCS= 15.63325 LC=10.7125 LCI= 5.79175, rango: LCS= 15.4035 LC=6.75
LCI= 0; 10.7125 y 3.278 respectivamente; 13.6 %; 0.508 el proceso es muy pobre;0.245;
4.08)

5. El contenido de cobre de un baño de plateado se mide tres veces por dı́a. A continuación
se muestran los datos obtenidos en 25 dı́as:

25
X 25
X
x̄i = 157,09, y ri = 28,32.
i=1 i=1

a) Usando dichos datos, calcula los lı́mites de control de prueba de los gráficos X̄ y R.
b) Suponiendo que el proceso está bajo control, estima la media y desviación tı́pica del
proceso.
c) Si las especificaciones son 6 ± 1, ¿cuál es el porcentaje de unidades defectuosas que
se está produciendo en este proceso?
d) Calcula el ICPk e interprétalo.
e) Supongamos que la media se corre a 5.5. ¿Cuál es la probabilidad de que el desplaza-
miento se detecte en la primera muestra después del corrimiento?

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

3.5. Gráficos de control de suma acumulada. 87

f) ¿Cuál es la ARL después del corrimiento?

(Sol. : media : LCS= 7.4424 LC=6.2836 LCI= 5.12474, rango: LCS= 2.91696 LC=1.13
LCI= 0; 6.2836 y 0.6691 respectivamente; 16.97 %; 0.35689 el proceso es muy pobre;0.163;
6.13)

6. Seguidamente se recogen el número de neumáticos defectuosos en 24 muestras preliminares,

cada una compuesta de 100 neumáticos: 6 3 2 3 1 5 2 4 0 6 4 2 4 2 12 2 4 3 6 7 4 3 5 7.

a) Utilizando todos los datos, calcula los lı́mites de control para una gráfica P.
b) ¿Puede concluirse que el proceso está bajo control? De no ser ası́, supón que pueden
encontrarse las causas asignables, y recalcula los lı́mites de control una vez eliminados
los puntos fuera de control.

(Sol. : LCS= 0.099 LC=0.04 LCI= 0; hay un punto fuera de control, LCS= 0.094 LC=0.037
LCI= 0)

7. Para estudiar el funcionamiento de un muelle de descarga se establece un gráfico de control.

Los camiones llegan a una media de 6.2 a la hora.

a) Diseña un gráfico de control para estudiar el sistema.

b) ¿Cuáles serı́an los lı́mites de control para llegadas diarias? (8 horas de trabajo, que
tomaremos como unidad de medida).
√ √
(Sol. : 6.2 ± 3 6,2; 49.6 ± 3 49,6)

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

88 Tema 3. Control estadı́stico de calidad

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

Autoevaluación del tema 3

1. Ejercicio 1: En una máquina que produce bobinas de papel aparecen en promedio 7

manchas cada 10 metros. Cada treinta minutos el operador observa pasar 10 m de papel y
anota el número de manchas en un gráfico. ¿Cuál es el gráfico adecuado y cuáles son los
lı́mites de control?

2. Ejercicio 2: Deben construirse las gráficas de control X̄ y R para una importante carac-
terı́stica de calidad. El tamaño de la muestra es n = 5, y x̄ y r se calculan para cada una
de 35 muestras preliminares. Los datos resumidos son:

35
X 35
X
x̄i = 7805, y ri = 1200.
i=1 i=1

a) Encuentra los lı́mites de control de prueba de los gráficos X̄ y R.

b) Suponiendo que el proceso está bajo control, estima la media y desviación tı́pica del
proceso.

Supongamos que la caracterı́stica de calidad tiene una distribución normal con las
especificaciones 220 ± 40. Si la pieza supera el lı́mite superior de especificación puede
reelaborarse. Sin embargo, si está por debajo del lı́mite inferior de especificación debe
desecharse.

c) ¿Qué porcentaje hemos de desechar y qué porcentaje hemos de reelaborar? ¿Cuál es

el porcentaje de unidades defectuosas que se está produciendo en este proceso?
d) Calcula el ICP y el ICPk , e interprétalos.

Supongamos que la media se corre a 215.

e) ¿Cuál es la probabilidad de que el desplazamiento se detecte en la primera muestra

después del corrimiento?
f) ¿Cuál es la ARL después del corrimiento?

89
90 Tema 3. Control estadı́stico de calidad

3. E Ejercicio 3: Para controlar de forma aproximada un generador de números aleatorios

(de una uniforme(0,1)) se dibuja la suma cada 100 dı́gitos consecutivos generados. Deter-
minar el gráfico de control correspondiente.

IG23 Ampliació d’Estadı́stica. ETIG. Curs 2003/04

 208
UCL = 207,50
206 CTR = 203,00
LCL = 198,50
204
X-bar

202

200

198
0 4 8 12 16 20 24
Subgroup

Gráfico de control del ejemplo 3.1

4,43
UCL = 4,4275
CTR = 4,3900
4,41
LCL = 4,3525
X-bar

4,39

4,37

4,35
0 4 8 12 16 20 24
Subgroup

Gráfico de control del ejemplo 3.2

5,2
UCL = 4,2318
4,8 CTR = 3,5325
4,4 LCL = 2,8332
X-bar

4
3,6
3,2
2,8
0 4 8 12 16 20
Subgroup

Gráfico de control para la media del ejemplo 3.3

 1,8
UCL = 1,7590
1,5 CTR = 0,6835
1,2 LCL = 0,0000
Range 0,9
0,6
0,3
0
0 4 8 12 16 20
Subgroup

Gráfico de control para el rango del ejemplo 3.3

5,1
UCL = 4,1251
4,7 CTR = 3,4542
4,3 LCL = 2,7833
X-bar

3,9
3,5
3,1
2,7
0 4 8 12 16 20
Subgroup

Gráfico de control para la media del ejemplo 3.3 (eliminado el punto 11)

1,8
UCL = 1,6877
1,5 CTR = 0,6558
1,2 LCL = 0,0000
Range

0,9
0,6
0,3
0
0 4 8 12 16 20
Subgroup

Gráfico de control para el rango del ejemplo 3.3 (eliminado el punto 11)
p Chart for Fusibles/100
0,12
UCL = 0,1008
0,1 CTR = 0,0412
0,08 LCL = 0,0000
0,06
p

0,04
0,02
0
0 5 10 15 20 25
Subgroup

Gráfico de control P del ejemplo 3.4

 p Chart for Fusibles/100
0,12
UCL = 0,0959
0,1 CTR = 0,0383
0,08 LCL = 0,0000
0,06
p

0,04
0,02
0
0 5 10 15 20 25
Subgroup

Gráfico de control P del ejemplo 3.4 (eliminado el grupo 24)

1,8
UCL = 1,5029
1,5 CTR = 0,5280
1,2 LCL = 0,0000
0,9
u

0,6
0,3
0
0 5 10 15 20 25
Subgroup

Gráfico de control U del ejemplo 3.5

1,8
UCL = 1,3018
1,5 CTR = 0,4261
1,2 LCL = 0,0000
0,9
u

0,6
0,3
0
0 5 10 15 20 25
Subgroup

Gráfico de control U del ejemplo 3.5 (eliminados los grupos 14 y 23)